Reliability AI,
기업의 AI를 정밀하게 만들고,
운영까지 안전하게 책임집니다

Why CT

CT는 기업의 복잡한 업무를 AI-native 소프트웨어로 전환하고, 구축부터 운영까지 자동화합니다.

기존 소프트웨어 구축은 컨설팅, 요구사항 분석, 개발, 커뮤니케이션, 유지보수까지 대부분 사람의 작업에 의존합니다. CT는 이 과정을 AI Agent 중심의 개발·운영 시스템으로 바꿉니다. AI가 기술 컨설팅과 요구사항, 커뮤니케이션 기록을 이해하고 직접 코드를 작성하고 수정하며, 엔지니어가 그 결과를 검토하고 평가합니다. 그래서 개발 속도만 빨라지는 것이 아니라, 더 적은 비용으로 더 빠르게 구축하고 운영 과정에서 품질을 계속 높일 수 있습니다.

특히 AI 시스템은 만드는 것보다 안정적으로 운영하는 것이 더 어렵습니다. 모델의 환각과 오류, 예상하지 못한 판단을 통제해야 하기 때문입니다. CT는 자체 AI Reliability Layer로 AI의 모든 실행과 판단 근거를 추적하고 평가합니다. 문제가 생기면 왜 그렇게 판단했는지 분석하고, 그 결과를 다시 시스템의 코드와 로직 개선으로 연결합니다.

이 과정이 CT의 자체 플랫폼 Nora↗ 위에서 반복되기 때문에, CT는 소프트웨어뿐 아니라 AI의 도입과 운영까지 지속적으로 자동화할 수 있습니다. 그래서 바이오·의료, 보험·금융, 공공, 이커머스처럼 정확성과 추적성, 감사가 중요한 산업에서 특히 강합니다. 모델이나 데이터가 바뀌어도 실행 과정을 추적하고 검증할 수 있어, 기업은 AI를 실험 수준에 머무르게 하지 않고 실제 핵심 업무에 안정적으로 적용할 수 있습니다.

기업이 얻는 실익

1. AI 사용료를 안전하게 통제할 수 있고, 가격을 낮출 수 있습니다. CT는 여러 AI 공급사(OpenAI, DeepSeek, Kimi, Together AI 등)를 상황에 따라 골라 쓰기 때문에, 간단한 일은 저렴한 모델로, 중요한 일은 고성능 모델로 자동 배분합니다. 특정 공급사 한 곳에 묶이지 않으니 가격이 오르거나 장애가 나도 대응할 수 있습니다. 여기에 자주 반복되는 업무는 CT의 소형 특화 모델이 맡아, 쓸수록 단가가 내려갑니다.

2. AI 답변과 근거 데이터를 체계적으로 관리할 수 있습니다. 어떤 자료를 언제 가져왔고, 어떻게 정리했고, 어느 답변에 쓰였는지가 원본 단계부터 기록으로 남습니다. 답변이 틀렸을 때 원인이 데이터인지, 검색인지, 모델인지를 되짚어 갈 수 있고, 감사가 필요한 산업에서도 근거를 그대로 제시할 수 있습니다.

3. 에이전트를 매우 빠르게 만들 수 있습니다. 데이터 연결, 기억, 검색, 외부 시스템 연동, 안전장치가 이미 준비돼 있어서, 현업 팀은 “이 에이전트가 무슨 일을 해야 하는지”만 정하면 됩니다. 게다가 한 번 정비한 데이터는 모든 에이전트가 함께 쓰기 때문에, 에이전트마다 자료를 다시 가공하던 중복 작업이 사라집니다.

4. 운영할수록 소프트웨어와 AI가 점점 좋아집니다. 직원이 답변을 수정하거나 낮게 평가한 사례가 자동으로 다음 개선 재료가 되기 때문에, 품질 개선을 위한 별도 프로젝트 없이도 시스템이 회사 상황에 점점 맞춰집니다. 개선 요청이나 장애도 AI Agent가 먼저 해결안을 내고 엔지니어가 승인하는 방식이라, 운영이 멈추지 않습니다.

본질적으로는, 에이전트의 모든 행동 데이터를 확보하기 때문에 추후 기업의 에이전트 및 모델 자산화에 압도적으로 유리합니다. 즉, 어떤 방식으로든 확보된 데이터로 더 똑똑하거나 더 저렴하게 기업 자체 모델 & 시스템을 갖출 수 있게 됩니다.

이 네 가지가 한 번의 납품으로 끝나지 않는 이유는 구조에 있습니다. 실제 업무에서 나온 사용 기록과 피드백은 평가·추적·감지·검증·기억·개선이 한 덩어리로 도는 신뢰성 계층으로 모입니다. 거기서 나온 개선은 다시 기업의 AI 전환, 반복 검증된 업무로 만든 제품, 그 아래를 받치는 플랫폼으로 되돌아갑니다. 운영이 쌓일수록 다음 도입이 더 빠르고 저렴해지는 이유입니다.

Technology

많은 기업이 여전히 특정 AI 모델이나 개별 솔루션의 성능에만 의존하는 구조적 한계를 가지고 있습니다. CT는 특정 모델에 종속되지 않고, 더 넓은 범위를 더 안전한 방식으로 커버합니다. AI 모델을 시스템 계층에서 통제하고 관리하여, 더 믿을 수 있게 만듭니다.

CT는 기업이 AI 에이전트를 만들고 운영하는 데 필요한 모든 바탕을 하나로 제공합니다. 회사 안에 흩어진 문서, 시스템, 데이터를 CT 한 곳으로 연결해두면, AI 에이전트가 그 데이터를 근거로 답하고 일을 처리합니다. 답변마다 “어떤 원본 자료를 근거로 했는지”가 함께 남기 때문에, 그럴듯하지만 틀린 답(환각)이 나올 여지를 구조적으로 줄입니다.

또 하나의 특징은 만드는 것과 운영하는 것이 이어져 있다는 점입니다. 에이전트를 쓰면서 쌓이는 기록과 평가가 자동으로 다음 개선에 반영되기 때문에, 한 번 만들고 방치되는 것이 아니라 쓸수록 회사 업무에 더 잘 맞게 다듬어집니다.

CT의 자체 모델CT's Own Models

CT는 범용 대형 모델을 직접 만들지 않습니다. 대신 CT 시스템이 제대로 작동하는 데 꼭 필요한 두 가지 역할에 집중한 자체 모델을 개발합니다. 하나는 답변이 믿을 만한지 판정하는 모델이고, 다른 하나는 기업 업무에 맞춰 비용을 낮추는 모델입니다. 둘 다 CT의 강화학습 방식으로 학습되며, 운영 데이터가 쌓일수록 함께 좋아지도록 설계돼 있습니다.

1. 환각 탐지 및 시뮬레이션 모델

에이전트가 낸 답변이 근거와 맞는지, 어디서 어긋났는지를 판정하고, 새 에이전트나 데이터 변경을 실제 배포 전에 시뮬레이션으로 검증하는 모델입니다. Qwen 를 기반으로, 정답 여부를 검증 가능한 신호로 학습시키는 RLVR(검증 가능한 보상 기반 강화학습) 방식으로 개발하고 있습니다. 사람의 주관적 평가가 아니라 “근거와 일치하는가”라는 확인 가능한 기준으로 학습하기 때문에, 산업별 규정이나 사내 문서처럼 정답이 분명한 영역에서 판정 정확도가 높습니다. 이 모델이 CT의 자가개선 루프에서 “무엇이 틀렸는지”를 찾아내는 눈 역할을 합니다.

이 모델은 약 27B 규모로, 최신 Opus 모델의 92% 수준으로 환각을 잡아냅니다. 모델이 작은 만큼 호출 비용은 100배 이상 낮습니다. 그래서 일부만 표본으로 뽑아 보는 대신, 오가는 모든 응답을 전수 조사할 수 있습니다.

(곧 비교 차트 제공 예정)

2. 비용 최적화 특화 모델

기업 안에서 실제로 오가는 AI 질문과 응답 데이터를 수집해, 자주 반복되는 업무 유형에 맞춘 소형 특화 모델을 강화학습으로 개발합니다. 간단하고 반복적인 요청은 이 모델이 처리하고, 어렵거나 중요한 요청만 외부 고성능 모델로 보내기 때문에 전체 토큰 비용이 크게 줄어듭니다. 기업이 쓰면 쓸수록 데이터가 쌓이고, 그만큼 특화 모델이 더 많은 요청을 맡게 되어 비용은 시간이 갈수록 내려가는 구조입니다. 이 모델은 CT의 자가개선 루프에서 “찾아낸 개선을 비용으로 되돌려주는” 역할을 합니다.

3. 시뮬레이션 모델 (Beta) — 어떻게 고칠지 실험하고 고릅니다

문제가 발견되면 고칠 방법은 여러 가지입니다. 데이터를 다시 정리할 수도, 검색 방식을 바꿀 수도, 프롬프트나 모델을 교체할 수도 있습니다. 시뮬레이션 모델은 그 후보들을 실제 배포 전에 미리 돌려보고, 성능과 비용을 함께 놓고 가장 유망한 후보군을 추려내는 것을 목표로 합니다. 현재는 베타 단계로, 일부 고객 환경에서 실험 중입니다. 지금 이 단계는 엔지니어가 CT의 기록과 평가 결과를 보고 판단하며, 시뮬레이션 모델은 그 판단을 돕는 보조 도구로 먼저 붙고 있습니다. 루프에서 이 모델이 자리 잡으면 사람은 후보 중 최종 선택에만 관여하게 됩니다.

기존 시장의 접근Existing System Players

에이전트를 잘 만들고 계속 좋아지게 하려면 데이터 준비, 모델 호출, 기억과 검색, 외부 시스템 연동, 안전장치, 운영 기록과 평가가 모두 필요합니다. 지금까지 시장은 이 각각을 따로 파는 도구로 채워왔습니다. 크게 다섯 유형입니다.

모델 공급사입니다. OpenAI, Anthropic, DeepSeek 같은 곳이 성능 좋은 모델을 제공합니다. 다만 이들은 “두뇌”를 파는 것이지, 회사 데이터를 연결하거나 답변 근거를 관리해 주지는 않습니다. 공급사 한 곳에 의존하면 가격과 정책 변경에도 그대로 노출됩니다.

에이전트 개발 프레임워크입니다. LangChain, LlamaIndex 같은 개발 도구로 검색·기억·툴 호출을 코드로 조립할 수 있습니다. 유연하지만 결국 개발자가 직접 짜야 하고, 만든 뒤 운영 중 무엇이 잘못됐는지 보는 기능은 별도로 붙여야 합니다.

노코드 에이전트 빌더입니다. Dify, Flowise 같은 화면 기반 도구로 개발자 없이도 간단한 에이전트를 만들 수 있습니다. 시작은 쉽지만 회사 데이터를 정제하고 최신으로 유지하는 파이프라인이나, 여러 모델을 비용 기준으로 골라 쓰는 기능은 약합니다.

데이터·검색 인프라입니다. 벡터 DB(Pinecone, Weaviate 등)와 데이터 파이프라인 도구가 자료를 저장하고 검색하게 해줍니다. 그러나 이 도구들은 “어떤 답변이 어떤 자료를 썼는지”까지는 모르고, 자료가 낡았을 때 에이전트 쪽에 알려주지도 않습니다.

운영·평가 도구입니다. LangSmith, Langfuse, Arize 같은 도구가 호출 기록을 남기고 답변 품질을 평가합니다. 문제를 찾는 데는 유용하지만, 찾은 문제를 데이터나 설정에 반영하는 건 다시 사람이 해야 합니다.

기존 구조가 남기는 문제Problem

각 도구는 자기 역할을 잘합니다. 문제는 그 사이를 잇는 일이 전부 기업 몫이라는 점입니다. 보통 이런 일이 벌어집니다.

도구 다섯 개를 이어 붙이는 데 개발 기간과 인력이 들어가고, 이어 붙인 뒤에는 그 연결을 유지하는 것 자체가 일이 됩니다.

답변이 틀렸을 때 원인이 데이터인지, 검색인지, 모델인지, 프롬프트인지를 도구별로 따로 확인해야 하고, 원본 자료까지 되짚어 가는 경로가 끊겨 있습니다.

평가 도구가 문제를 찾아도, 그걸 데이터 재정비나 모델 교체로 연결하는 것은 엔지니어의 수작업이라 개선이 자주 멈춥니다.

에이전트마다 데이터 준비를 따로 하니 같은 자료를 여러 번 가공하고, 개인정보 기준이 바뀌면 여러 곳을 고쳐야 합니다.

결국 “만드는 것”과 “좋아지게 하는 것”이 다른 도구, 다른 사람, 다른 프로젝트로 나뉘어 있었습니다. CT는 이 두 가지를 하나의 시스템, 하나의 루프로 묶는 데서 출발합니다.

Mission

현실의 산업에서 작동하는 지능을 만듭니다.

소프트웨어의 실행력과 AI의 지능을 결합해, 실제 업무를 수행하고 운영되며 계속 개선되는 시스템을 만듭니다.

Our Story

CT는 환각을 잡는 회사로 시작했습니다. 금융, 법률, 의료처럼 AI가 한 번 틀리면 곧바로 손실이나 책임 문제로 이어지는 산업에서, “AI 답변 중 틀린 것을 찾아내는 기술”이 있으면 도입의 마지막 벽을 넘을 수 있을 거라고 믿었습니다.

그래서 당시 시장이 하던 방식대로 했습니다. 이미 만들어진 에이전트의 답변을 받아서, 근거와 대조하고, 모델로 재검증하고, 틀린 것을 표시하는 탐지 기술에 집중했습니다. 기술 자체는 발전했고 탐지율도 올라갔습니다.

그런데 현장에서 세 가지 벽에 부딪혔습니다.

틀렸다는 건 알아도 왜 틀렸는지를 알 수 없었습니다. 답변만 보고는 원인이 낡은 문서인지, 잘못 잘린 자료인지, 검색이 엉뚱한 걸 가져온 건지, 모델의 착오인지 구분이 안 됐습니다. 원본 데이터부터 답변까지의 경로가 시스템 여러 곳에 흩어져 있어서 되짚어 갈 길이 없었기 때문입니다.

찾아낸 문제가 개선으로 이어지지 않았습니다. 탐지 결과를 넘겨도, 데이터를 고치고 설정을 바꾸고 다시 평가하는 일은 고객사 엔지니어의 몫이었습니다. 그 엔지니어들은 이미 바빴고, 결과적으로 같은 유형의 환각이 몇 달째 반복되는 것을 지켜봐야 했습니다.

탐지는 항상 뒤늦었습니다. 환각은 답변이 만들어진 뒤에 잡는 것이 아니라, 데이터가 준비되고 검색되고 조합되는 과정에서 이미 결정되고 있었습니다. 마지막 단계에서 아무리 정교하게 걸러도 상류에서 만들어지는 문제의 속도를 따라갈 수 없었습니다.

여기서 우리는 방향을 바꿨습니다. 환각은 “탐지”의 문제가 아니라 시스템 전체의 문제였습니다. 원본 데이터부터 답변까지 한 줄로 이어져 있어야 원인을 찾을 수 있고, 찾은 원인이 사람 손을 거치지 않고 다시 데이터와 설정에 반영돼야 개선이 멈추지 않습니다. 그래서 CT는 탐지 도구가 아니라, 에이전트를 만들고 운영하는 전 과정을 하나로 묶고 스스로 개선되게 하는 시스템을 만들기로 했습니다.

환각 탐지에서 시작한 회사가 결국 시스템 계층 전체를 만들게 된 이유는 하나입니다. 환각을 정말로 줄이려면, 그것이 만들어지는 곳 전체를 다뤄야 한다는 것을 현장에서 배웠기 때문입니다.

Team

우리는 넓은 연구와 빠른 제품화를 지향하는 조직입니다.

Kris (유승현) · 대표 고려대학교 통계학 석사. 대학교 2학년 때 첫 창업을 시작해 현재 세 번째 창업. 본질적이고 깊은 연구를 통해 제품을 만드는 일을 좋아합니다.

Paul (김동관) · 공동창업자, 리서치 엔지니어 수학을 좋아해 상산고에 진학했고, 고등학교 2학년부터 코딩과 컴퓨터에 빠졌습니다. CS와 미디어를 융합한 기술과 연구에 집중해 왔으며, 현재는 AI 환각 탐지 연구에 몰두하고 있습니다.

Dia (나희영) · 공동창업자 17살에 첫 창업을 시작했고, 두 번째 창업부터 Kris와 함께합니다. 프론티어 제품과 기술에 대한 뛰어난 기획 역량을 갖추고 있습니다.

그 외에도 이학준, 양해석, 김한울, 배주향 등 대규모 프로젝트 수행 경험과 다양한 연구 이력을 가진 팀원들이 함께합니다. 서울대학교, 고려대학교, 건국대학교 출신의 인재들이 모여 있습니다.

How we work

구축은 결과물로 계약합니다.

인력 투입 기간(M/M)이 아니라 만들어질 시스템과 범위를 기준으로 견적합니다. 프로토타입 단계에서 범위와 금액을 확정하고, 그 이후 추가 비용은 발생하지 않습니다. 규모에 따라 수천만 원에서 수억 원, 기간은 2~6개월입니다.

운영은 월 구독입니다.

관측·수정·검증·개선 제안이 포함된 월 정액이며, 시스템 규모와 AI 기능 범위에 따라 정해집니다. 인력 상주가 아니므로 담당자 교체나 인건비 변동과 무관하게 같은 서비스, 같은 금액이 유지됩니다.

작게 시작할 수 있습니다.

첫 프로젝트는 2주 프로토타입으로 시작합니다. 프로토타입 후 진행 여부를 결정하실 수 있고, 진행하지 않으셔도 프로토타입은 드립니다.

Contact

프로젝트 문의나 협업 제안을 남겨 주시면, 영업일 기준 2일 안에 회신드립니다.

메일이 편하시면 cx@conscience.technology